logo

大模型60分到90分:下一代两条路线对比

作者:梅琳marlin2026.11.16 10:44浏览量:0

简介:本文对比语言中心大模型的持续提升与流程智能、视觉基座两条下一代路线,分析二者在能力来源、推理决策、数据依赖、落地边界上的差异,并给出不同团队和场景下的选型与迁移建议。

一、对比背景:从“60分到90分”到“0分问题”

过去几年,通用大模型在语言理解、数学推理、代码生成、知识问答等任务上取得了明显进展。一个常见判断是:四年前大模型也许只能完成“60分”的任务,现在已经能接近“90分”;但对于原本模型完全不会、缺乏训练支撑、缺乏可解释步骤的“0分”任务,进展仍然有限。

这说明当前能力提升更多体现为“在已有任务边界内把分数做高”,而不是自然扩展到全新任务、全新感知方式和全新决策逻辑。由此,下一代AI的突破不能只依赖模型参数规模、上下文长度或普通文本能力的继续堆叠,而需要重新思考能力来源、知识组织方式和学习范式。

本文的对比对象不是简单的产品选型,而是两条候选的下一代基础路线:

  1. 流程智能路线:从已有推理过程、任务解决过程和操作经验中抽取可复用的“流程性知识”,让模型在复杂任务中不仅给出答案,还能复用有效的解决步骤、决策路径和操作策略。
  2. 视觉基座路线:探索语言之外的基础模型形态,让模型能够像学习语言规律一样,从大量无标签视觉数据中学习物体运动、空间关系、时序变化、场景结构等规律,从而增强对物理世界和复杂环境的理解。

同时,本文也会把当前以语言理解为核心的通用大模型作为参照基线,帮助读者理解三条技术路径之间的关系:当前语言大模型负责提升既有任务分数,流程智能负责增强复杂任务复用,视觉基座负责补足语言模型之外的感知与空间理解能力。


二、对象定义:两条路线分别解决什么问题

1. 流程智能:让模型复用“怎么做”

流程智能的核心目标,是让模型在解决复杂任务时不再只是“凭上下文临时生成”,而是能够调用、组合、复用过去已经形成的问题解决方法。

这类方法通常不依赖单一答案,而是关注任务完成过程。例如:

  • 数学题中先识别问题类型,再选择公式,再分步计算;
  • 编程任务中先定位输入输出,再设计数据结构,再编写和调试;
  • 企业流程中先确认身份权限,再查询数据,再触发审批;
  • 复杂客服场景中先澄清用户意图,再调取知识库,再生成处理方案。

研究思路上,流程智能尝试从已有推理过程中抽取流程性知识,形成可检索、可复用、可组合的流程集合。材料中提到,有研究从已有推理过程中提取了约3200万条流程性知识,用于提升模型在复杂任务中的推理和决策能力。这个方向的关键价值在于:它把“经验”显式地变成模型可用的中间资源,而不是完全隐藏在模型参数里。

2. 视觉基座:让模型理解“看得见的世界”

视觉基座路线的核心目标,是让模型不只处理文本,而是直接从图像、视频、三维场景、传感器信号等视觉数据中学到规律性知识。

当前一些模型可以生成逼真图像,也可能完成图像分类、检测、描述等任务,但从海量无标签视觉数据中学习运动规律、空间关系、物体交互、场景演化等基础能力,仍然不够成熟。视觉基座希望解决的是更底层的问题:

  • 如何从视频预测物体下一步运动?
  • 如何从多视角数据理解空间结构?
  • 如何从无标签视觉数据中学到可迁移的视觉表征?
  • 如何让模型在自动驾驶、机器人、工业检测、数字孪生等场景中具备稳定的感知和预测能力?

这条路线更接近“为机器准备基础感知能力”,因此比单纯提升文本推理更基础,但难度也更高。


三、相同点:为什么它们都被视为下一代突破方向

虽然流程智能和视觉基座侧重点不同,但二者在目标和技术逻辑上存在共同点。

1. 都试图解决“只会高分,不会迁移”的问题

当前大模型在常见任务上可能表现很好,但面对分布外任务、长尾场景、复杂决策链条时,稳定性仍然不足。流程智能希望通过复用解决流程提升复杂任务能力;视觉基座希望通过学习真实世界规律提升跨场景泛化能力。二者都不是简单追求单点分数,而是试图增强基础能力。

2. 都强调数据与知识的组织方式

流程智能依赖过程性数据,例如推理步骤、任务轨迹、操作流程、工具调用顺序;视觉基座依赖大规模视觉数据,例如图像、视频、点云、传感器序列。二者都说明:下一代模型能力的上限,不只取决于模型结构,也取决于知识如何被采集、清洗、组织、索引和复用。

3. 都需要新的评测体系

传统评测往往关注最终答案是否正确。但流程智能需要判断过程是否合理,视觉基座需要判断预测是否符合物理和空间规律。因此,二者都要求评测从“答案准确率”扩展到“过程正确性、鲁棒性、可解释性、跨任务迁移能力”。

4. 都可能与现有大模型体系结合

流程智能可以作为语言模型的增强模块,帮助模型调用经验流程;视觉基座可以作为多模态系统的基础模块,为语言模型提供感知结果和空间理解。二者都不一定替代当前大模型,而是补充其短板。


四、核心差异分析:两条路线到底不同在哪里

1. 能力来源不同

流程智能的知识来源是“任务过程”。 它关注的是如何一步步解决问题,包括任务分解、工具调用、条件判断、异常处理等。它更适合可表达、可拆解、可复用的任务流程。

视觉基座的知识来源是“感知信号”。 它关注的是图像、视频、空间结构、物体运动等视觉数据中的规律。它更适合感知、预测、控制、交互等需要理解真实世界的场景。

一句话概括:流程智能主要解决“做事的方法”,视觉基座主要解决“看世界的方法”。

2. 数据形态不同

流程智能处理的数据通常包括文本、结构化日志、任务轨迹、操作序列、工具调用记录等。这类数据可以通过日志、知识库、流程记录、人工标注等方式获得。

视觉基座处理的数据通常包括图像、视频、三维扫描、传感器序列、仿真环境数据等。这类数据体量大、维度高、时序复杂,且往往缺少高质量标注,因此需要无标签学习、自监督学习、对比学习、预测式学习等方法。

3. 与现有语言模型的关系不同

流程智能与当前语言模型结合更紧密。它可以把模型从“直接生成答案”升级为“检索并复用解决流程”,例如:

  1. 输入复杂问题
  2. -> 查询相似任务流程
  3. -> 选择合适的解决步骤
  4. -> 按步骤生成推理或调用工具
  5. -> 校验结果并返回

这种增强方式对现有模型服务改动相对可控,适合在企业知识库、智能客服、代码助手、数据分析等场景中落地。

视觉基座则更偏向底层能力重构。它可能不直接作为语言模型的插件,而是形成新的感知基础模型,再与语言模型、决策模型或多模态模型融合。其工程复杂度更高,但对机器人、自动驾驶、视频理解等方向影响更深。

4. 能力重点不同

流程智能更强调:

  • 任务拆解;
  • 步骤复用;
  • 决策路径稳定性;
  • 复杂问题求解;
  • 可解释的操作链路;
  • 对已有业务知识的吸收。

视觉基座更强调:

  • 物体识别与跟踪;
  • 运动预测;
  • 空间关系建模;
  • 场景理解;
  • 视觉表征迁移;
  • 对连续时序数据的建模。

5. 工程落地难度不同

流程智能的难点主要在知识抽取和流程质量。例如:

  • 如何从非结构化文本中抽取可靠步骤?
  • 如何处理流程冲突和版本更新?
  • 如何判断一个流程是否适用于当前问题?
  • 如何避免错误流程被反复复用?

视觉基座的难点主要在数据、算力和感知泛化。例如:

  • 如何获得足够大规模的无标签视觉数据?
  • 如何处理遮挡、光照变化、视角变化?
  • 如何从视觉数据中学习可迁移的空间规律?
  • 如何评估模型在真实物理世界中的可靠性?

相对而言,流程智能更容易在文本密集、流程清晰的业务中率先落地;视觉基座更适合长期基础能力建设,但对数据治理和算力要求更高。

6. 风险边界不同

流程智能的风险包括:错误流程污染、权限越界、流程过度复用、上下文不匹配、知识陈旧。

视觉基座的风险包括:视觉数据合规、隐私保护、场景分布偏移、物理规律误判、对异常环境鲁棒性不足。

因此,选型时不能只看“技术先进”,还要看团队是否有能力承担相应数据治理、评测和运维成本。


五、对比表格:流程智能与视觉基座关键差异

对比维度 流程智能 视觉基座
核心目标 复用解决问题的方法 从视觉数据中学习世界规律
知识来源 推理过程、任务轨迹、操作流程 图像、视频、三维数据、传感器数据
数据形态 文本、结构化日志、步骤序列 像素、视频帧、点云、时空序列
主要能力 任务拆解、步骤复用、复杂决策 感知、运动预测、空间关系理解
与现有大模型关系 可作为语言模型增强层 可作为多模态或感知基础层
落地难度 中,依赖流程抽取和知识治理 高,依赖数据、算力和感知泛化
典型场景 智能客服、代码助手、知识工作、流程自动化 机器人、自动驾驶、工业检测、视频分析
评测重点 步骤正确性、复用效果、决策稳定性 感知准确性、预测稳定性、空间泛化能力
主要风险 错误流程污染、权限与知识冲突 数据合规、分布偏移、物理世界误差
适合团队 熟悉文本工程、业务流程、知识管理 具备视觉数据、算力、仿真和算法能力

六、典型场景选择:不同业务应优先考虑什么

1. 知识密集型任务:优先考虑流程智能

如果业务任务具有以下特征:

  • 问题可以被拆解为多个步骤;
  • 企业已有大量文档、工单、代码、操作记录;
  • 需要提升复杂问答、报告生成、代码生成、数据分析能力;
  • 希望减少模型“每次从零推理”的不稳定性;

那么流程智能更适合作为优先方向。它可以通过经验库和流程库,把原本难以复用的隐性知识显性化。

2. 物理世界交互任务:优先考虑视觉基座

如果业务涉及:

  • 视频监控与视频分析;
  • 工业质检;
  • 自动驾驶或辅助驾驶;
  • 机器人导航与操作;
  • 数字孪生;
  • 三维场景重建;
  • 运动预测与行为识别;

那么视觉基座更值得关注。因为这些场景的核心不是文本生成,而是从视觉信号中理解对象、位置、运动趋势和空间关系。

3. 已有语言模型但复杂任务不稳定:优先引入流程智能

如果团队已经部署了通用大模型,但发现模型在复杂任务中经常“答对部分、做错关键步骤”,可以优先考虑流程智能。它可以在不完全替换现有模型的情况下,通过流程检索、步骤约束、工具编排和过程校验提升稳定性。

4. 需要长期基础能力建设:布局视觉基座

如果企业希望构建面向未来的感知基础能力,尤其是涉及机器人、智能驾驶、空间智能、视频理解等方向,则需要考虑视觉基座。这类投入周期更长,但对后续多模态应用、物理世界理解和行业智能化影响更大。

5. 混合场景:三者结合更现实

很多复杂系统并不需要二选一。更常见的组合是:

  • 用视觉基座完成感知和场景理解;
  • 用流程智能完成任务规划与经验复用;
  • 用语言模型完成交互、解释、汇总和生成。

例如一个工业运维系统可以用视觉模型识别设备状态,用流程智能调取历史维修步骤,再用语言模型生成运维建议。


七、选型建议:不要只看技术方向,要看团队条件

1. 文本和流程基础强的团队,可优先做流程智能

如果团队更熟悉自然语言处理、知识库、检索系统、业务规则引擎,流程智能的接入成本相对较低。可以从以下路径开始:

  • 收集历史任务解决记录;
  • 抽取可复用步骤;
  • 建立流程库;
  • 构建检索与排序机制;
  • 在语言模型中引入流程增强;
  • 持续评估过程正确性和任务完成率。

2. 视觉数据和算力基础强的团队,可优先做视觉基座

如果团队已有大量图像、视频、传感器或仿真数据,并且具备训练基础设施,可以评估视觉基座。重点包括:

  • 数据清洗与样本筛选;
  • 自监督预训练;
  • 时序建模;
  • 空间关系学习;
  • 小规模场景验证;
  • 与感知任务的结合。

3. 短期业务价值优先选流程智能

如果目标是半年到一年内改善业务效果,流程智能通常更容易形成闭环。因为它可以直接作用于现有知识工作、客服、编程、分析等场景,效果也更容易被业务感知。

4. 长期基础设施投入选视觉基座

如果目标是三到五年以上的基础能力建设,视觉基座更值得布局。它不一定立刻带来单点业务收益,但有助于形成面向物理世界和复杂感知场景的技术底座。

5. 合规敏感场景要提前评估数据边界

流程智能涉及企业内部流程、工单、代码和文档;视觉基座涉及图像、视频、人脸、车辆、场景等敏感信息。无论选择哪条路线,都应提前考虑权限控制、数据脱敏、审计日志、访问隔离和加密存储。


八、迁移与使用注意事项

1. 数据质量决定路线成败

流程智能依赖流程数据的准确性、完整性和时效性。如果历史流程本身错误较多,模型可能学到错误经验。因此需要建立流程清洗、去重、冲突检测和版本管理机制。

视觉基座依赖视觉数据规模和多样性。如果数据只来自单一场景,模型容易过拟合,难以迁移到真实复杂环境。因此需要覆盖多视角、多光照、多天气、多场景的数据策略。

2. 不能只评估最终答案

对于流程智能,需要评估:

  • 步骤是否合理;
  • 是否选择了正确流程;
  • 是否发生步骤遗漏;
  • 是否能处理异常分支;
  • 是否可解释、可追溯。

对于视觉基座,需要评估:

  • 感知是否稳定;
  • 预测是否符合物理规律;
  • 是否受遮挡和视角影响;
  • 是否能在分布外场景中保持可靠性。

3. 接入方式应分层设计

流程智能可以设计为独立服务层,通过通用接口与现有模型调用链路结合。常见设计包括:

  1. 用户请求
  2. -> 任务分类
  3. -> 流程检索
  4. -> 流程排序
  5. -> 模型执行
  6. -> 结果校验
  7. -> 返回结果

视觉基座可以设计为感知服务层,为上层应用提供目标检测结果、场景理解结果、运动预测结果等。常见设计包括:

  1. 视觉输入
  2. -> 预处理
  3. -> 特征编码
  4. -> 时序建模
  5. -> 空间关系推断
  6. -> 感知结果输出

4. 监控与运维要同步建设

流程智能系统需要监控:

  • 流程命中率;
  • 流程复用成功率;
  • 错误流程比例;
  • 工具调用失败率;
  • 用户反馈和修正情况。

视觉基座系统需要监控:

  • 感知延迟;
  • 检测稳定性;
  • 预测漂移;
  • 数据分布变化;
  • 模型版本回滚情况。

如果企业已有百度智能云相关资源,可以复用其通用的身份认证、日志服务、监控告警、容器平台、算力调度和数据治理能力,减少重复建设成本。

5. 安全合规不能后置

流程智能可能涉及企业内部知识,需要权限隔离和审计;视觉基座可能涉及个人信息、敏感场景或视频数据,需要脱敏、加密和访问控制。无论哪条路线,都应把权限、审计、加密、隔离作为基础设施的一部分,而不是上线后补丁。


九、总结:下一代AI不是单一模型升级,而是路线选择

当前大模型从“60分”走向“90分”,说明通用语言能力、知识问答和常规推理仍有提升空间。但真正决定下一代AI能走多远的,可能不是继续把旧任务分数提高,而是能否解决“0分”问题:模型是否能复用复杂任务经验,是否能从视觉数据中理解物理世界。

流程智能和视觉基座代表了两种不同但互补的突破方向:

  • 流程智能让模型学会“怎么做事”,适合知识密集、流程复杂、需要稳定复用的业务;
  • 视觉基座让模型学会“怎么看世界”,适合感知、交互、空间理解和物理世界预测;
  • 当前语言大模型则继续承担交互、表达、总结和通用任务完成能力。

因此,选型不应简单问“哪个更好”,而应问:团队的数据基础在哪里,业务瓶颈在文本还是视觉,短期目标是提升效率还是构建基础能力,迁移成本是否可控。对于多数企业而言,较现实的路径是先用流程智能增强现有模型,再根据业务方向评估是否引入视觉基座,最终形成语言、流程、感知三层协同的AI系统。

发表评论

活动